Изкуствена невронна мрежа: Разлика между версии

Изтрито е съдържание Добавено е съдържание
Reseter05 (беседа | приноси)
Редакция без резюме
м Grammar: 1;
Ред 13:
Теглата на връзките между невроните определят функционалността и поведението на невронната мрежа. За да бъде една невронна мрежа използваема и приложима към даден проблем, тя трябва да бъде предварително обучена.
 
Обучението на една невронна мрежа се постига чрез промяна на теглата на връзките между невроните и се осъществява чрез правила, които определят как да се променят тези тегла. Най-разпространеното сред тях е метода на обратното разпространение на сигнал за [[грешка]] (back-propagation), където за всеки изходен неврон се изчислява разликата от желаното му поведение, като се формира сигнал за грешка, който се движи назад към входния слой и по пътя си променя теглата на връзките така, че при следващата активация на мрежата грешката да бъде по-малка от сегашната. Този начин на "обучение" на мрежата обаче води до "забравяне"- мрежата бъде обучена да разпознава един елемент и в последствиевпоследствие той не се повтори във входните данни, мрежата "забравя" този елемент.
 
В момента на невронните мрежи се гледа като на инструмент, който ще ни помогне да разберем механизмите на работа на човешкия ум. Главната причина за това е биологичната им правдоподобност. За разлика от класическия, символен подход към изкуствения интелект, невронните мрежи много повече се доближават до нашите мозъци по начина си на функциониране. Те се състоят от множество свързани прости изчислителни единици (неврони). Изчисленията не се извършват на едно централно място, а са разпределени по цялата мрежа. Това прави мрежата изключително гъвкава, като тя продължава да работи дори когато от нея умишлено са премахнати изчислителни елементи. За сравнение, фон [[Нойман]]овата архитектура престава да функционира ако от нея липсва дори един елемент.